脑卒中又称“中风”,是一种常见的脑血管疾病,在我国居民中的发病率呈现逐年上升趋势。其发病快、病程急,在临床上具有高发病率、高致死率及高致残率等特点。脑卒中主要分为出血性及缺血性两种,二者发病机制不同。脑电信号（electroencephalogram,EEG）是脑神经细胞电生理活动的反映,包含人体大量生理信息,脑卒中发病前后EEG数据会呈现显著差异性,不同类型脑卒中其EEG数据也表现出不同特性,因此,基于EEG数据进行脑卒中发病预测是实现脑卒中高效诊断的有效措施。目前临床上依据EEG数据进行脑卒中发病风险预测的诊断主要采取人工判读的方法,极易受临床医生主观判断及已有经验的影响。近年来,随着人工智能技术在智能医学的发展,采用现代信号处理手段对EEG数据进行脑卒中发病预测成为近年研究热点,有助于加快实现脑卒中智慧医疗辅助诊断。已有研究发现,EEG数据是一种具有非线性动力学特征的非平稳时间序列,所以利用非线性动力学方法对EEG数据提取合适的特征,选取有效的分类模型,能够帮助医生迅速诊断患者的脑卒中类型,并及时采取有效治疗措施。为此,本文引入了基于多重分形去趋势波动分析（Multifractal Detrended Fluctuation Analysis,MF-DFA）和熵特征的脑卒中EEG数据特征提取方法,并对比分析了单分类器和集成分类器对提取的EEG特征进行脑卒中发病预测的性能差异,以得到较优的脑卒中分类预测结果。本文主要工作如下:第一:基于多重分形去趋势波动分析MF-DFA的脑卒中EEG数据特征提取研究。首先对脑卒中EEG数据分别求解其广义Hurst指数谱、标度指数谱以及多重分形谱。证明了脑卒中EEG数据具有多重分形特性,并从中提取了四个分形特征:广义Hurst指数谱特征hqmax、多重分形谱特征αmax与α0、标度指数谱特征τqmin。对366例脑卒中患者EEG数据分别提取四个分形特征,采用C4.5单决策树作为预测模型进行脑卒中发病风险分类预测研究,实验结果表明,四个分形特征中,广义Hurst指数hqmax可获得最优的脑卒中分类预测性能。进一步对366例患者8个导联中每个导联提取四个分形特征,依然采用C4.5单决策树进行脑卒中分类预测,实验结果表明,脑卒中患者8个导联中,对C4导联进行特征提取,脑卒中分类预测性能最优。第二:基于EEG数据多特征融合的脑卒中发病风险分类预测研究。首先引入了四种单一熵特征值对两类脑卒中EEG数据进行特征提取,然后引入小波包分层理论,将小波包分解与单一熵特征相结合来提取两类脑卒中EEG数据的四种分层熵特征值。之后将得到的单一熵特征值和分层熵特征值分别与脑卒中多重分形特征值进行融合,建立C4.5单决策树分类预测模型,进行脑卒中发病风险分类预测。实验结果表明,脑卒中EEG数据广义Hurst指数最大值、C4导联四个分形特征和分层模糊熵进行融合时脑卒中发病风险分类预测性能最优。第三:集成极限学习机在脑卒中发病风险分类预测中的应用研究。为了获得更好的脑卒中发病风险分类预测性能,引入了极限学习机预测模型和Adaboost集成分类模型,设计了基于Adaboost的集成决策树分类预测模型和集成极限学习机分类预测模型。将EEG数据单一特征和融合特征作为输入,对比分析了C4.5单决策树、极限学习机以及集成C4.5决策树分类预测模型和集成极限学习机分类预测模型性能差异。实验结果表明:基于脑卒中EEG数据单一特征和融合特征,集成极限学习机得到的脑卒中发病风险分类预测性能最优。